06 Mar Avances en el modelado: predicción de interacciones y estructura de red (contribución de Carolina Bello, Ben Weinstein y Catherine Graham)

Uno de los objetivos importantes de la ecología de redes es descubrir los mecanismos que determinan la fuerza y ​​la fidelidad entre las especies que interactúan (Bascompte y Jordano 2007). Cuando las especies coexisten en el tiempo y el espacio, su probabilidad de interactuar está influenciada por la ganancia de las recompensas de las especies que interactúan que resultan de la interacción versus el costo de buscar e interactuar entre sí (Spiesman y Gratton 2016). Las ganancias pueden depender de los rasgos complementarios de las especies interactuantes que confieren un tiempo de manejo eficiente durante la extracción de recursos en el caso de los colibríes, o una mayor deposición de polen conespecífico para las plantas (Vázquez et al. 2009, Bartomeus et al. 2016). Alternativamente, las especies pueden reducir el tiempo de búsqueda al interactuar con los especies más abundantes, independientemente de sus características, ya sea debido a mayores tasas de encuentro o imágenes de búsqueda más fuertes de recursos comunes (Abrams 2010, Fagan et al. 2013). El conocimiento sobre la compensación entre los beneficios y los costos asociados con las interacciones nos ayudará a comprender por qué algunas especies son especializadas mientras que otras son flexibles, por qué utilizan una variedad de recursos y cómo tales características a nivel de especie influyen en la estabilidad de las redes de interacción ecológica.

Estamos desarrollando un modelo jerárquico bayesiano de N-mezcla para predecir la probabilidad de una interacción. El modelo tiene en cuenta tanto los errores en la detección de la interacción como los factores ecológicos, tales como la abundancia o la coincidencia de rasgos, donde las especies con morfologías bien adaptadas a aquellas con las que interactúan obtienen una ventaja de aptitud y abundancia. Cuando no registramos una interacción entre dos especies en el campo, no está claro si el muestreo simplemente no detectó la interacción o si la interacción realmente no ocurrió. El peligro de no considerar la detección es combinar las no detecciones y las ausencias reales y, como resultado, inferir erróneamente algún mecanismo ecológico (Weinstein y Graham 2017). Por ejemplo, clasificar erróneamente una interacción como imposible debido a limitaciones morfológicas, temporales o espaciales (los llamados ‘enlaces prohibidos’ Vázquez et al. 2009), cuando en realidad simplemente no observamos la interacción durante nuestro muestreo.Nuestro enfoque incluye un modelo de observación (cuadro rojo en la figura 1), un modelo de proceso ecológico (cuadros azules en la figura 1) y un conjunto de previos jerárquicos (Graham y Weinstein 2018). Al distinguir el modelo de observación del modelo de proceso, podemos diferenciar entre interacciones que no ocurren de aquellas que no observamos. El modelo de proceso estima la intensidad de las interacciones con base en factores ecológicos como la coincidencia de morfologías, el comportamiento o la fenología (Vázquez et al. 2009). Con este modelo de proceso, estamos explorando si la coincidencia de rasgos o la abundancia de plantas predicen mejor las tasas de visitas diarias entre colibríes y plantas ecuatorianos (Weinstein y Graham 2017). Además, una vez que podamos predecir la probabilidad de interacción una vez, podemos usar esta información para predecir la estructura de la red y explorar cómo cambia a lo largo del año y a lo largo de un gradiente de elevación (recuadro verde en la figura).

Nuestro enfoque tiene tres beneficios: 1) podemos diferenciar la probabilidad de observar una interacción de la intensidad de la interacción; 2) nuestro modelo de proceso incorpora la coincidencia de rasgos como una variable continua, en lugar de una variable binaria que delimita la interacción como posible o prohibida (Vizentin-Bugoni et al. 2014); 3) el modelo está estructurado para ser predictivo, con relativamente pocos parámetros, en lugar de depender de la aleatorización post-hoc de la matriz de interacción observada. Estas herramientas serán una mejora clave para analizar la importancia de las características, los recursos locales y la calidad del hábitat para mantener la diversidad biológica en estos conjuntos de especies.

Si desea saber más sobre el uso de modelos bayesianos de N-mezcla para predecir las interacciones planta-colibrí, lo invitamos a leer estos artículos:

• Graham, C. H., and B. G. Weinstein. (2018). Towards a predictive model of species interaction beta diversity. Ecology Letters 21:1299-1310. https://doi.org/10.1111/ele.13084

• Weinstein, B.G. and Graham, C.H. (2017). Persistent bill and corolla matching despite shifting temporal resources in tropical hummingbird‐plant interactions. Ecol Lett, 20: 326-335. https://doi.org/10.1111/ele.12730

• Weinstein, B.G. and Graham, C.H. (2017). On comparing traits and abundance for predicting species interactions with imperfect detection, Food Webs, 11, 17-25, https://doi.org/10.1016/j.fooweb.2017.05.002

Literatura citada

Abrams, P. A. 2010. Implications of flexible foraging for interspecific interactions: lessons from simple models. Functional Ecology 24:7-17.

Bartomeus, I., D. Gravel, J. M. Tylianakis, M. A. Aizen, I. A. Dickie, and M. Bernard-Verdier. 2016. A common framework for identifying linkage rules across different types of interactions. Functional Ecology 30:1894-1903.

Bascompte, J., and P. Jordano. 2007. Plant-Animal Mutualistic Networks: The Architecture of Biodiversity. Annual Review of Ecology, Evolution, and Systematics 38:567-593.

Fagan, W. F., M. A. Lewis, M. Auger‐Méthé, T. Avgar, S. Benhamou, G. Breed, L. LaDage, U. E. Schlägel, W. w. Tang, and Y. P. Papastamatiou. 2013. Spatial memory and animal movement. Ecology Letters 16:1316-1329.

Graham, C. H., and B. G. Weinstein. 2018. Towards a predictive model of species interaction beta diversity. Ecology Letters 21:1299-1310.

Spiesman, B. J., and C. Gratton. 2016. Flexible foraging shapes the topology of plant–pollinator interaction networks. Ecology 97:1431-1441.

Vázquez, D. P., N. P. Chacoff, and L. Cagnolo. 2009. Evaluating multiple determinants of the structure of plant–animal mutualistic networks. Ecology 90:2039-2046.

Vizentin-Bugoni, J., P. K. Maruyama, and M. Sazima. 2014. Processes entangling interactions in communities: Forbidden links are more important than abundance in a hummingbird-plant network. Proceedings of the Royal Society B: Biological Sciences 281.

Weinstein, B. G., and C. H. Graham. 2017. On comparing traits and abundance for predicting species interactions with imperfect detection. Food Webs 11:17-25.